論文の概要: PolyJuice Makes It Real: Black-Box, Universal Red Teaming for Synthetic Image Detectors

• arxiv url: http://arxiv.org/abs/2509.15551v1
• Date: Fri, 19 Sep 2025 03:09:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.974849
• Title: PolyJuice Makes It Real: Black-Box, Universal Red Teaming for Synthetic Image Detectors
• Title（参考訳）: PolyJuiceは、合成画像検出器のためのブラックボックス、ユニバーサル・レッドチーム
• Authors: Sepehr Dehdashtian, Mashrur M. Morshed, Jacob H. Seidman, Gaurav Bharaj, Vishnu Naresh Boddeti,
• Abstract要約: PolyJuiceは、SIDのための最初のブラックボックス、イメージに依存しないリピート方式である。 また, ポリジュースステアリングT2Iモデルでは, ステアリングされていないモデルよりも, SIDの消耗が有意に効果的であることを示した。 PolyJuice拡張データセット上でSIDモデルをチューニングすることは、検出器の性能を著しく向上させる。
• 参考スコア（独自算出の注目度）: 30.229688490909766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic image detectors (SIDs) are a key defense against the risks posed by the growing realism of images from text-to-image (T2I) models. Red teaming improves SID's effectiveness by identifying and exploiting their failure modes via misclassified synthetic images. However, existing red-teaming solutions (i) require white-box access to SIDs, which is infeasible for proprietary state-of-the-art detectors, and (ii) generate image-specific attacks through expensive online optimization. To address these limitations, we propose PolyJuice, the first black-box, image-agnostic red-teaming method for SIDs, based on an observed distribution shift in the T2I latent space between samples correctly and incorrectly classified by the SID. PolyJuice generates attacks by (i) identifying the direction of this shift through a lightweight offline process that only requires black-box access to the SID, and (ii) exploiting this direction by universally steering all generated images towards the SID's failure modes. PolyJuice-steered T2I models are significantly more effective at deceiving SIDs (up to 84%) compared to their unsteered counterparts. We also show that the steering directions can be estimated efficiently at lower resolutions and transferred to higher resolutions using simple interpolation, reducing computational overhead. Finally, tuning SID models on PolyJuice-augmented datasets notably enhances the performance of the detectors (up to 30%).
• Abstract（参考訳）: 合成画像検出器(SID)は、テキスト・ツー・イメージ(T2I)モデルによる画像のリアリズムの増大によって引き起こされるリスクに対する鍵となる防御である。 Red Teamingは、誤って分類された合成画像を通じて、障害モードを特定し、活用することで、SIDの有効性を向上させる。 しかし、既存の赤チームソリューション (i)SIDへのホワイトボックスアクセスが必要で、これは独自の最先端検出器には利用できない。 (II)高価なオンライン最適化によって画像固有の攻撃を発生させる。 これらの制約に対処するために,サンプル間のT2I潜伏空間の分布変化を観測し,SIDによって正しく,正しく分類された最初のブラックボックスであるPolyJuiceを提案する。 PolyJuiceは攻撃を発生させる i) SIDへのブラックボックスアクセスのみを必要とする軽量オフラインプロセスを通じて、このシフトの方向を識別し、 (II) 生成されたすべての画像をSIDの障害モードに向けて普遍的にステアリングすることで、この方向を利用する。 PolyJuiceをステアリングしたT2Iモデルは、ステアリングされていないモデルに比べてSID(最大84%)の認識に非常に効果的である。 また, ステアリング方向を低分解能で効率的に推定し, 簡単な補間により高分解能に変換し, 計算オーバーヘッドを低減できることを示した。 最後に、PolyJuice拡張データセット上でSIDモデルをチューニングすることで、検出器の性能が最大30%向上する。

関連論文リスト

• Few-Step Diffusion via Score identity Distillation [67.07985339442703]
  拡散蒸留は, テキスト・ツー・イメージ(T2I)拡散モデルを促進するための有望な戦略として浮上している。 既存の方法は、高分解能T2I拡散モデルを蒸留する際に、実像や教師合成画像に頼っている。 教師のCFGを無効にし、偽スコアネットワークでテキストコンディショニングを除去するZero-CFGと、偽スコアネットワークで否定的なCFGを適用するAnti-CFGの2つの新しいガイダンス戦略を提案する。
  論文  参考訳（メタデータ） (2025-05-19T03:45:16Z)
• Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement [71.13353154514418]
  低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。 RAWMambaと呼ばれる低照度RAW画像用にカスタマイズされた新しいMambaベースの手法を提案する。 低照度RAW画像の高精細化を図り、復調を施すことにより、高精細化を実現する。
  論文  参考訳（メタデータ） (2024-09-11T06:12:03Z)
• Improving Synthetic Image Detection Towards Generalization: An Image Transformation Perspective [45.210030086193775]
  現在の合成画像検出(SID)パイプラインは、主に普遍的なアーティファクト機能を構築することを目的としている。 3つの簡単な画像変換を持つ軽量かつ効率的な検出器SAFEを提案する。 我々のパイプラインは、新しい最先端のパフォーマンスを実現し、既存の手法に対する平均精度は4.5%、平均精度は2.9%向上した。
  論文  参考訳（メタデータ） (2024-08-13T09:01:12Z)
• Learning to See Low-Light Images via Feature Domain Adaptation [17.033219611079165]
  そこで我々は,特徴領域適応(FDA)によって強化された単一段階ネットワークを提案し,生のLLIEにおけるデノイングとカラーマッピングのタスクを分離する。 FDAは、ラインバッファを減らすことで、グローバルとローカルの相関関係を探索することができる。 本手法は,計算コストを削減して最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-11T03:38:26Z)
• Dual Adversarial Adaptation for Cross-Device Real-World Image Super-Resolution [114.26933742226115]
  異なるデバイスからの画像に基づいて訓練された超高解像度(SR)モデルは、異なる画像パターンを示す可能性がある。 本稿では、DADA(Dual Adversarial Adaptation)という、実世界のSRのための教師なしドメイン適応機構を提案する。 3台のカメラで6台のリアル・トゥ・リアル・アダプティブ・セッティングで実験を行い、既存の最先端のアプローチと比較して優れた性能を実現した。
  論文  参考訳（メタデータ） (2022-05-07T02:55:39Z)
• SFANet: A Spectrum-aware Feature Augmentation Network for Visible-Infrared Person Re-Identification [12.566284647658053]
  クロスモダリティマッチング問題に対するSFANetという新しいスペクトル認識特徴量化ネットワークを提案する。 grayscale-spectrumイメージで学習すると、モダリティの不一致を低減し、内部構造関係を検出することができる。 特徴レベルでは、特定および粉砕可能な畳み込みブロックの数のバランスをとることにより、従来の2ストリームネットワークを改善します。
  論文  参考訳（メタデータ） (2021-02-24T08:57:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。